Go分布式爬虫笔记（五）_golang分布式爬虫架构

• 如何让服务随着负载的增加具有可扩展性？
• 是否采用 DDD 的架构设计？
• 如何进行分布式的协调？
• 选择何种中间件、缓存数据库与存储数据库？
• 使用何种通信方式？
• 如何设计缓存与数据库的关系，才能避免缓存失效之后大量数据直接打到数据库导致的服务响应变慢甚至服务雪崩的问题呢？
• 分布式系统中数据的一致性，如果业务能够接受读取到的数据不是最新写入的数据，那么就一定能设计出比强一致性读取响应延迟更低的系统。

服务治理：

• 监控、告警
• 降级策略（限流、重试、降级、熔断）
• 分布式追踪与分布式日志收集

程序设计和组织级别

程序设计

• 功能的拆分
• 流程的抽象
• 使用何种形式组织代码
• 定义清晰的模块间的接口边界
• 使用何种框架
• 并发处理模型
• 搭建的开发流程和规范
• 重点指标体系的设计和监控

高性能程序设计的几个原则：

• 流程异步化
  为了外部用户的体验，降低延迟，有时我们可以结合业务对流程进行异步化，快速返回结果给外部用户。这可以提高用户体验、服务的 QPS 与吞吐量。
  例如，任务执行完毕后需要将一些数据存入缓存中。这时可以直接返回结果，并异步地写入数据库。又如，调用一个执行周期很长的函数，可以先直接返回，然后在执行完毕后请求用户给的回调地址。不过要注意的是，无论怎样异步化，终究是需要执行任务的。
• 在执行的关键阶段请求并行化，尽可能把串行改为并行。
  你可能听说过华罗庚烧水泡茶的故事，这个故事的要点，就是将整个大任务分割为小任务，让关键任务并行进行处理，这个方案可以大大减少整个任务的处理时间。
• 合理选择与实际系统匹配的并发模型
  根据自身服务的不同，需要了解 Go 语言在网络 I/O、磁盘 I/O，CPU 密集型系统在程序处理过程中的不同处理模型。并根据不同的场景选择不同的高并发模型。
• 无锁化与缓存化，保证并发的威力。
  试想一个极端的不合理的锁设计，它可能会让所有的用户协程等待某一个协程执行完成，导致并行处理退化为串行执行。无锁化并不是完全不加锁，而是要合理设计并发控制。
  例如设计无锁的结构，在多读少写场景用读锁替代写锁，用局部缓存来减少对于全局结构的访问（关于如何设计无锁化结构，你可以参考 sync.pool 库、go 内存分配、go 调度器等模块在并行处理中的极致优化）。

怎么用工具和指标来验证程序实际并行的效率呢？

• 协程数量
• 调度器的运行方式

获取协程数量的方式：

• 借助 Debug 库中的 NumGoroutine 函数，GOMAXPROCS 还可以获取逻辑处理器 P；
• 使用 runtime/metrics 包，获取运行时 metric，进而获取到协程数量；
• 通过 pprof 获取当前的协程数量。

调度器：Go调度跟踪

• 启动 GODEBUG 特定环境变量方式，查看调度器日志；
• 通过 pprof 和 trace 工具，可视化分析调度器的运行状态。

代码实施级别

• 合理代码优化

  • 代码规范

    • 目录结构规范
    • 测试规范
    • 版本规范
    • 目录结构规范
    • 代码评审规范
    • 开发规范
    • 参考UBER 开源的 Go 语言开发规范

  • 数据结构与算法

    • 算法优化
    • 数据结构优化

  • 缓存：空间换时间

    • CPU多级缓存
    • Go运行时调度器
    • Go内存分配器
    • sync.pool

  • 复杂度

  • benchmark对比

• 刻意的优化

  • 放入接口中的数据会进行内存逃逸，需不需要优化？

  • 字节数组与 String 互转导致的性能损失需不需要优化？

  • 无用的内存需不需要复用？

  • 定位瓶颈问题

    • 工具：pprof、trace、dlv、gdb

    • 数据结构与算法

    • 序列化

    • Go 语言的编译时和运行时。例如，之前介绍过的将环境变量 GOMAXPROC 调整为更合适的大小，本质上就是在修改运行时可并行的线程数量。

    • 此外，当并发量上来之后，垃圾回收（GC）也可能成为系统的瓶颈所在。GC 有一段 STW 的时长完全不能执行用户协程，并且在并行标记期间会占用 25% 的 CPU 时间。如果 STW 时间过长，或者并发标记阶段由于频繁的内存分配触发了辅助标记，都会导致程序无法有效处理用户协程，产生严重的响应超时问题。
      一般这类 GC 问题可以通过修改代码逻辑减少内存分配频繁，或是借助 sync.pool 等内存池复用内存来解决。

    • 另外，运行时也暴露了一些有限的 API 能够干预垃圾回收的运行，在特殊情况下调整这些参数能够提高程序运行效率：

      • 运行时环境变量 GOGC 可以调整 GC 的内存触发水位，当 GOGC=off 时，它甚至能够关闭 GC 的执行；
      • Runtime.GC() 可以手动强制执行 GC。

    • 另外，设置运行时环境变量 GODEBUG=gctrace=1 可以让运行时打印 GC 的相关日志。

• 危险的尝试

  • 少用CGO
  • unsafe 库本身不是向后兼容的，这意味着在当前版本中有效的代码在之后的版本中的行为是未知的。
  • 另外，对指针进行运算的 uintptr 类型本质上是一个整数，Go 内置的垃圾回收无法对它进行管理。操作指针时，由于 Go 运行时栈的自动扩容，可能导致之前指针指向的内容无效。这些危险的操作，需要开发者摸透使用规则并进行正确的权衡（unsafe 包的具体用法可以参考这篇文章）。

思维导图

​​

思考题

对一个爬虫服务，通常一个网站之中又会有若干需要进一步爬取的网站，就像一棵树一样。如果放在一个协程中处理，将会非常慢。那么你会考虑怎样的程序设计来保证爬虫的高性能？

下载器和解析器解耦分离，通过chan联系起来，各司其职，不够就增加worker；

所有要爬取的网页连接可以看做是一个DAG图。 可以采用BFS遍历的方式来实现爬取。维护一个待爬取url的channel, 每次从一个网页上获取到下一级的url就加入到这个channel中。 同时, channel的另一侧读取channel, 待爬取url channel 不为空时就读取url并启动一个新的协程去爬取对应url 并解析返回内容。

假如当前服务响应时间 P99 太高，导致了 QPS 无法增加，你觉得可以用什么指标和工具来定位和解决问题？

• 资源瓶颈，如CPU、内存、磁盘和文件系统 I/O、网络以及内核资源等各类软硬件资源出现了瓶颈，从而导致应用程序的运行受限。对于这种情况，我们就可以用前面系统资源瓶颈模块提到的各种方法来分析。
• 依赖服务的瓶颈，也就是诸如数据库、分布式缓存、中间件等应用程序，直接或者间接调用的服务出现了性能问题，从而导致应用程序的响应变慢，或者错误率升高。这说白了就是跨应用的性能问题，使用全链路跟踪系统，就可以帮你快速定位这类问题的根源。
• 应用程序自身的性能问题，包括了多线程处理不当、死锁、业务算法的复杂度过高等等，用火焰图辅助分析.

推荐资料

1. 《Designing Data-Intensive Applications》